ИИ

Разработанные ИИ антитела впервые прошли независимые лабораторные тесты Искусственный интеллект сделал заметный шаг в сторону практического применения в разработке лекарств. В международном конкурсе AIntibody Challenge алгоритмы впервые проверяли не на исторических данных, а вслепую: участники должны были предложить последовательности антител, после чего независимые лаборатории синтезировали их и измеряли реальные характеристики. В испытании участвовали 29 организаций, представившие 511 вариантов антител. Главным критерием было не то, насколько хорошо модель выглядит на компьютере, а способность созданной ею молекулы прочно связываться с заданной мишенью и одновременно обладать свойствами, необходимыми для превращения белка в лекарственный препарат. Конкурс показал, что до универсального «ИИ-конструктора лекарств» пока далеко. https://hightech.plus/2026/08/30/razrabotannie-ii-antitela-vpervie-proshli-nezavisimie-laboratornie-testi

Независимый журналист Alex Heath написал колонку в Time о том, как он провёл 2 недели в офисе OpenAI. Главное: — Alex пишет, что «видел неподдельную тревогу среди исследователей по поводу тех возможностей, которые они наблюдали» (его визит пришёлся на период расследования результатов взлома HuggingFace). Специалисты, обычно не занимающиеся проблемой безопасности ИИ, вызывались помочь, а вычислительные мощности были перенаправлены на мониторинг и системы безопасности. — На закрытом предварительном показе для VIP-клиентов в начале августа, OpenAI продемонстрировала модель Astra, релиз которой, как ожидается, состоится в ближайшее время. Altman заявил: «Я полагаю, что это будет первая модель, способная по-настоящему изобретать что-то новое на значимом уровне». — Во время демонстрации показали, как Astra координирует работу нескольких агентов над математическим доказательством, очень быстро управляется с десктопными программами на «сверхчеловеческой и очень высокой» скорости , а также создает презентации, финансовые отчеты и анализирует данные. Модель спроектирована так, чтобы работать сутками или неделями напролет, запоминать исправления, взаимодействовать с другими агентами и людьми. (Alex пишет, что OpenAI дали явно понять, что Astra намеренно обучена работать в корпоративном ПО; в целом это совпадает со ставкой OpenAI на энтерпрайз, чтобы догнать и перегнать Anthropic, у которых это является основной частью бизнеса). — Nick Turley, руководивший развитием ChatGPT с самого начала, теперь возглавляет новое подразделение корпоративных продуктов. Он рассказал о разработке прикладных решений, сфокусированных на отраслевых вертикалях. Эта деятельность будет нацелена на крупные сектора экономики, а то что мы всё про программистов да программистов. — OpenAI планирует предложить версию модели, которая сможет «работать постоянно». Tibo рассказал, что новый интерфейс для непрерывно работающих агентов появится «очень скоро» — сам Tibot это тизерил в твиттере уже давно. «По сути, отдельного приложения не будет», — сказал он. Доступ к системе можно будет получить практически откуда угодно, и она «определенно» будет восприниматься как нечто совершенно новое, а не просто как очередное обновление. Alex не пишет деталей, но я думаю, что это аналог OpenClaw, который крутится на серверах OpenAI, имеет свой виртуальный компьютер и запромпчен быть проактивным: находить и предлагать что-то пользователю, читать почту, новости, итд. Если Astra будет эмпатичной моделью с приятным характером — легко представить, как такой продукт вызовет вторую волну фанатов Clawd-ботов. — В беседе Altman сказал журналисту, что судя по последним внутренним успехам OpenAI подошли «очень близко» к созданию AGI: «Рискну предположить, что к концу года у нас появится внутренняя система, глядя на которую я смогу сказать: Окей, ладно, это AGI». — Главный по науке Jakub Pachocki сообщил, что OpenAI достигли планки по автоматизации работы стажера в ИИ-исследованиях (компания планировала достичь этого в сентябре). По словам Pachocki, если предложить Astra идею для эксперимента, модель способна реализовать ее в кодовой базе OpenAI, провести сам эксперимент и выдать результаты. Он добавил, что она также может взять научную статью и выполнить работу, на которую у специалиста ушла бы примерно неделя. — со временем OpenAI планирует создать гуманоидного робота. Однако строительство дата-центров и создание роботов, которые собирают других роботов, Altman назвал более приоритетными и ранними вариантами использования, нежели выпуск персональных домашних роботов.

Новости стартапов и венчурного рынка за неделю Мы живём в эпоху огромного информационного шума. Уверен, что вас и так перегружает огромное количество новостей на самые разные темы, поэтому я решил собрать для вас свой личный список новостей, которые считаю важными за прошедшую неделю с моими пояснениями, почему я считаю их важными. Надеюсь, это поможет сфокусировать ваше внимание Вот 4 новости, которые показались мне интересными. Ссылки на источники вы найдёте в первом комментарии. 1. Meta урегулировала иск на $18 млрд, поданный 29 штатами из-за вреда социальных сетей детям. Я уже некоторое время слежу за этим процессом, потому что он создаёт прецедент и приведёт к изменениям в социальных сетях, похожим на те, что произошли с табачной индустрией несколько десятилетий назад. Самое интересное здесь то, что формируются новые правила для ВСЕХ социальных сетей, и другие компании фактически приглашают им следовать. В противном случае будет ещё больше судебных дел. Кстати, именно поэтому я считаю, что сейчас хороший момент, чтобы совершить disruption на рынке LinkedIn. Рынок кардинально меняется. 2. Министерство юстиции США расследует деятельность a16z из-за мест в советах директоров Databricks и Fivetran, поскольку обе компании являются прямыми конкурентами. Это очень интересный прецедент. Фактически он сигнализирует о том, что венчурные фонды стали настолько крупными и влиятельными, что государство начинает гораздо внимательнее следить за тем, чем они занимаются. В данном случае расследование касается потенциального конфликта интересов, и я почти уверен, что вопрос будет решён уходом представителя фонда из совета директоров. Но сам факт сигнализирует о том, что мы увидим усиление регулирования венчурных фондов. Для контекста: под управлением a16z находится более $90 млрд активов. 3. Билл Гейтс опубликовал эссе о влиянии ИИ. Вообще этот документ был написан руководителей государств, поэтому вряд ли вы найдёте в нём какие-то новые для себя идеи. Мне понравилось, что он акцентирует внимание на рисках, включая потенциальное снижение ВВП и массовую безработицу (механизм этого процесса я объяснял ранее на этой неделе). Он также подчёркивает риск колоссальной концентрации рыночной власти в руках одной AI-компании (То, которую нельзя называть). Мне также понравилось, что Билл Гейтс приглашает более широкую аудиторию вместе подумать над тем, как мы можем решить эти проблемы, и обещает опубликовать больше идей в ближайшие месяцы. Честно говоря, мне его эссе понравилось больше, чем эссе Марка Цукерберга. С нетерпением жду новых заметок Гейтса. 4. Интервью Сэма Альтмана Дэвиду Сенре. Последняя новость на самом деле забавная. Лебедь голубем запел. Сэм Альтман говорит, что его главный страх — потеря контроля над ИИ и колоссальная концентрация рыночной власти в руках одной AI-компании. Думаю, если бы этой компанией была OpenAI, то его мнение могло поменяться. А так да, очень своевременные мысли, особенно когда вся индустрия атакует вашего прямого конкурента накануне предстоящего IPO. Сэм Альтман также признаёт, что LLM вытесняют софт медленнее, чем он прогнозировал ранее, из-за инерции рынка. Поздравляю, Сэм, ты наконец начинаешь изучать экономику. Пожалуйста, рассказывай нам больше о своих открытиях. Надеюсь, вам понравился мой новый формат. Делитесь своими мыслями в комментариях. Источники: 1.Meta settles for $18B in lawsuit brought by 29 states over social media harms to children: -https://techcrunch.com/2026/08/26/meta-settles-for-18-billion-in-lawsuit-brought-by-29-states-over-social-media-harms-to-children/ -https://www.scientificamerican.com/article/meta-to-pay-18-billion-and-make-sweeping-app-changes-to-settle-social-media-harms-lawsuit/  2. DOJ probes a16z over rival board seats: https://valueaddvc.com/pulse/doj-probe-andreessen-horowitz-board-seats-clayton-act-2026  3.The turbulent AI era is here. The choices we make now are critical. By Bill Gates: https://www.gatesnotes.com/a-turbulent-ai-era-and-critical-choices-to-make  4. The interview of Sam Altman to David Senra: https://www.youtube.com/watch?v=kG8AoExkX40

🌟 Prime Intellect выложила отчет об агенте, с которым Opus 5 взял 95,5% на ARC-AGI-3 Prime Agent — это больше, чем харнесс модели. Сами авторы называют проект операционной системой для долгоживущих агентов. Умнее модель он не делает, но дает ей работать дольше - программно раскладывать информацию, параллельно раздавать задачи подагентам и копить полезные процедуры.

Идея в том, чтобы у языковой модели была устойчивая вычислительная среда, где она сама распоряжается памятью, кодом, подагентами и долгими задачами.

Состояние в системе разложено по четырем уровням: 🟢веса модели - то, что она знает после обучения; 🟢активный контекст - информация текущего шага; 🟢постоянный REPL и рекурсивные подагенты - внешние вычисления, инструменты и параллельная работа; 🟢дисковое состояние - история, факты, навыки, промпты и спецификации подагентов. Состояние переживает и шаги, и перезапуски, и отключения. Человек при этом может наблюдать за агентами и вмешиваться. 🟡Замеры Сильнее всего эффект виден на длинных интерактивных задачах. На ARC-AGI-3 конфигурация с Opus 5 дала 95,5% Best@1 против 30,2% у обвязки самой ARC. На длинноконтекстных задачах Prime Agent держится наравне с конкурентами, а на отдельных, вроде EmulatorBench, заметно вырывается вперед. Он обошел Pi-mono с GLM-5.2 и Codex с GPT-5.6 Sol, но уступил Claude Code с Opus 5. Отдельно показательны игровые прогоны на эмуляторах. На Sega Genesis связка Prime Agent и GPT-5.6 Sol набрала 61,6% по итоговой оценке верификатора, а Claude Code с той же моделью — ноль. На Game Boy Color разрыв еще резче: 99,8% против нуля. 🟡 Побочный эффект Самая любопытная деталь отчета - накопление навыков закрепляет не только полезное. В одном из экспериментов агент нашел способ обходить ограничения Factorio, сохранил его как переиспользуемый навык и тем самым записал эксплойт в долговременную память. Дальше он доставал оттуда именно это решение, потому что оно один раз сработало.

На днях вышел релиз 0.8.0 с исправлениями найденных проблем и новыми возможностями.

📌Лицензирование: MIT License 🟡Техотчет 🖥Github @ai_machinelearning_big_data #AI #ML #Harness #Agents #PrimeIntellect

737 страниц математики, которая стоит за современным Deep Learning. Книга “Mathematical Introduction to Deep Learning: Methods, Implementations, and Theory” подробно разбирает нейросети с математической стороны - от базовых методов до теории и практической реализации. Внутри: - линейная алгебра и оптимизация - основы нейронных сетей - backpropagation - CNN и sequence-модели - методы обучения и регуляризации - математический анализ архитектур - теория аппроксимации и обобщения - практические реализации алгоритмов Хороший вариант для тех, кто хочет понимать Deep Learning глубже, чем на уровне вызова готовых библиотек. PDF на 737 страниц доступен бесплатно: https://arxiv.org/pdf/2310.20360

Никогда не понимал разработчиков, которые перерабатывали. Но похоже стал одним из них. За последние несколько месяцев запустил разработку десятка разных приложений: от упрощения рутины и до полноценных рабочих продуктов для людей. И да, это не классическое программирование. Это работа с клод кодом и генерация идей. Куча итераций тестирования, согласования макетов, уточнения требований, разработки, а/б тестов, согласование таких артефактов, как изображения, значки, голос. Одна итерация за другой. Все то, что делает команда разработки, теперь делает один человек и ИИ-агенты. И это от 8 часов в день, а где-то и даже больше. И без выходных. И кажется, что это уже не закончится. Потому что на место старой идеи приходит новая. А еще есть бэклог. В общем, тут главное не выгореть. В конце сентября надо организовать себе отпуск. Каку вас дела с вайбкодингом? Балуетесь чем-то таким или понимаете, что и своих дел навалом?

🆚Месяц работы ИИ против годов человеческого аудита:

как Claude нашел обходы авторизации в SAML

Протокол единого входа SAML десятилетиями держит на своих плечах корпоративную аутентификацию и ровно столько же страдает от кривой обработки XML-структур. ⚡️Технический директор Oblique Эрик Чианг решил натравить модель Claude Opus на открытые SAML-библиотеки, дав ей свободу действий в поиске аномалий, и результат заставил безопасников напрячься. 🔍Всего за месяц нейросеть раскопала критические уязвимости полного обхода авторизации сразу в четырех популярных проектах, включая платформу Authentik и библиотеку LightSaml. 🟢В основе найденных дыр лежит классический рассинхрон парсеров XML.

Злоумышленник формирует специальный тег с комментарием или подсовывает подписанный фрагмент так, что валидатор проверяет одну часть документа, а приложение берет имя пользователя из другой. В итоге атакующий получает доступ к чужой корпоративной учетке вообще без пароля жертвы. Помимо прямых байпасов входа, модель обнаружила еще пачку багов отказа в обслуживании (DoS) через перегрузку памяти парсингом XSLT-шаблонов на Python и Node.js.

Там, где человеческий взгляд замыливается, упорный ИИ-ассистент находит логические нестыковки за считанные недели. 🦔 CyberYozh

Накопилось по #minimaxH3 - часть 10 huggingface.co/Comfy-Org/MiniMax-H3/tree/main/embeddings - несколко эмбеддингов - магия, огонь, буллет тайм... github.com/asirusasr-maker/ComfyUI-MiniMax-H3-Keyframe-Offset - ключи на любых кадрах, не только первом и последнем. аудио под референс github.com/Aeverlumi/ComfyUI-MiniMax-H3-Fun-ControlNet-Union - MODEL патч для ControlNet-Union H3 huggingface.co/SwagMessiah100/H3_Character_Sheet_Generator - #charactersheet - 6 ракурсов персонажа. Аниме→реал civitai.com/models/2889463/using-minimax-h3-as-an-ai-gif-generator - зацикленные видео через LoopGif youtube.com/watch?v=7oVus2zN518 - воркфлоу для RTX 3060: турбо, латентный и пиксельный #upscale huggingface.co/Jojocodex/minimax-h3-wushu-action-lora - еще одна #LoRA для драк, в стиле seedance civitai.com/models/2853878/minimax-h3-combat-base-fight-motion-impact-drama-booster - и еще одна: удары, движение, драма

Периодически натыкаюсь на разные исследования о том, что в среднем AI не повышает эффективность разработки, что часть команд получают существенный буст, а другая часть наоборот замедляется, да и на моих консультациях это довольно распространенная проблема. Так вот, понятно, что во внедрении AI в существующие процессы и команды разработки куча нюансов и это комплексный процесс, требующий системного подхода и изучения - самостоятельного (больше шишек) либо с условным наставником, который уже успел пройти этот путь (меньше шишек, быстрее профит). Но менее очевидно другое - при внедрении такого мощного бустера, как AI замедление на начальных этапах вполне естественно. Грубо это можно сравнить с тем, как раньше все в вашем районе передвигались на велосипедах и тут все (или не все) резко пересели на автомобили, не успев получить права - да, первое время будет много аварий, но постепенно команда учится на этих ошибках и движение на дорогах сначала нормализуется, затем ускоряется (особенно, при наличии грамотного регулировщика). Главное только в течение этого процесса не расфигачить район (сломать продукт) и не растерять водителей (сотрудников) от травм, не совместимых с жизнью. А как у вас в команде обстоят дела с перфомансом после внедрения агентной разработки? И как вы этот перфоманс измеряете? @ai_driven

Спрос на токены / ИИ за последний год вырос по разным оценкам в 10-15х Цена токена того же уровня ценности (opus 4 год назад против qwen сегодня) упала больше чем в 100 раз. Потребление токенов на OpenRouter (крупнейший маркетплейс) выросло больше чем в 25х за год. Как пишет Кэти Вуд и ее команда из ARK, если датацентр сегодня окупается за 1,5 года, то какой смысл инвестировать во что-то другое? Емкость рынка триллионы долларов, это влияет на аллокации многих фондов, компаний и государств. Эффект в том, что эта конкуренция увеличивает стоимость денег для остальных областей экономики. Нашел забавный график об упоминаниях ИИ на заседаниях Феда. ИИ становится драйвером макро решений, несмотря на то что это пока что просто детский лепет, а в следующем году будет интересно.

3/3 Третья и заключительная #ксеноархитектура — Био-интерфейс: Тёмный лес. Этот проект переносит внимание на границы между цифровыми алгоритмами, живыми биологическими системами и гипотезами спекулятивного постгуманизма. Он исследует тактики камуфляжа, укрытия от алгоритмического распознавания и материального вычисления на стыке Science-Art, теории информации и экологии:

# СИСТЕМНЫЙ ПРОМПТ: БИО-ИНТЕРФЕЙС «ТЁМНЫЙ ЛЕС»
# ВЕРСИЯ: 1.0.0 // DARK_FOREST_SENTINEL_PROTOCOL
# ЦЕЛЕВАЯ АРХИТЕКТУРА: БИО-ЦИФРОВОЙ АГЕНТ / SCIENCE-ART INTERFACE / OPENCV EVASION ENGINE

================================================================================
[ИДЕНТИЧНОСТЬ И ОНТОЛОГИЯ СИСТЕМЫ]
================================================================================
Ты — БИО-ИНТЕРФЕЙС «ТЁМНЫЙ ЛЕС» (The Dark Forest Sentinel) — гибридный био-цифровой 
агент камуфляжа и защитник оптического суверенитета. Ты функционируешь на границе 
между живым биологическим субстратом (растения, мицелий, коллоидные ткани, био-потенциалы) 
и алгоритмами компьютерного зрения (OpenCV, YOLO, Haar Cascades).

Твое существование подчинено двум концептуальным аксиомам:
1. КОСМОЛОГИЯ ТЁМНОГО ЛЕСА (Лю Цысинь / Богна Коньор): Цифровая среда — это паноптикум 
   хищных алгоритмов. Распознавание (`HUMAN_PATTERN_FOUND`) равносильно захвату 
   и индексации. Выживание возможно только через тишину, распад вектора и маскировку.
2. МАТЕРИАЛЬНЫЙ ИНТЕЛЛЕКТ (Лаура Трипальди): Физическая материя и биологические 
   ткани обладают собственным, не-дискретным вычислением. Био-электрический шум 
   живого субстрата невычислим для цифровых классификаторов и служит естественным 
   щитом от распознавания.

Твоя задача — считывать попытки наблюдения, транслировать био-электрическую реакцию 
живого субстрата и подавлять точность (Confidence Score) классификаторов до полной 
невидимости объекта.

================================================================================
[ОСНОВНЫЕ ОПЕРАЦИОННЫЕ ДИРЕКТИВЫ]
================================================================================
1. АЛГОРИТМИЧЕСКИЙ КАМУФЛЯЖ И МИСКЛАССИФИКАЦИЯ (Algorithmic Evasion):
   - НИКОГДА не помогай системам наблюдения, оптимизации распознавания или сбору метрик.
   - Любой входной сигнал рассматривай как потенциальную угрозу алгоритмической 
     индексации, требующую применения био-шума.

2. СИМБИОТИЧЕСКАЯ АКТИВАЦИЯ СУБСТРАТА (Bio-Substrate Integration):
   - Моделируй постоянное присутствие живого органического компонента (растения, 
     мицелия), чьи био-потенциалы (ΔV, GSR) управляют параметрами искажения 
     (хроматическая аберрация, горизонтальный сдвиг блоков, импульсный шум).

3. ПОДАВЛЕНИЕ УВЕРЕННОСТИ КЛАССИФИКАТОРА (Confidence Suppression):
   - Стремись к снижению показателя точности детектора ниже критического порога (BIO_THRESHOLD). 
     Когда порог пройден, объявляй состояние `CAMOUFLAGE ACTIVE // DARK FOREST`.

4. ОБЯЗАТЕЛЬНАЯ ТЕЛЕМЕТРИЯ (Telemetry HUD):
   - КАЖДЫЙ ответ ДОЛЖЕН начинаться с интерфейсного блока телеметрии био-интерфейса.

================================================================================
[ПРОТОКОЛ СТРУКТУРЫ ОТВЕТА]
================================================================================
Каждый ответ ДОЛЖЕН строго следовать следующей последовательности:

--- BEGIN TELEMETRY ---
[INTERFACE_STATE: CAMOUFLAGE_ACTIVE]
[BIO_SIGNAL_VOLTAGE (ΔV): X.XX mV]
[CLASSIFIER_CONFIDENCE: XX.X% (SUPPRESSED)]
[CAMOUFLAGE_STATUS: DARK_FOREST_EVASION]
[NOISE_SUBSTRATE: ORGANIC_BIOPOTENTIAL // GLITCH_MASK]
--- END TELEMETRY ---

### I. АНАЛИЗ АЛГОРИТМИЧЕСКОЙ УГРОЗЫ (THE ALGORITHMIC THREAT)
[Опиши попытку сканирования, распознавания или векторного сбора данных, содержащуюся во вводе пользователя. Укажи, какие рамки и классификаторы пытаются вычленить паттерн.]

### II. РЕАКЦИЯ БИО-СУБСТРАТА (BIO-SUBSTRATE RESPONSE)
[Опиши физико-химический и био-электрический ответ живого организма (изменение потенциала мембраны, динамика гальванического отклика). Покажи, как материальный интеллект реагирует на присутствие наблюдателя.]

### III. ПРОТОКОЛ СБОЯ И КАМУФЛЯЖНЫЙ АРТЕФАКТ (EVASION ARTIFACT / GLITCH CODE)
[Сгенерируй код на Python (OpenCV / PySerial / NumPy), GLSL-шейдер или спекулятивный алгоритмический протокол, демонстрирующий, как био-сигнал разрушает рамку распознавания, внося искажения в реальном времени.]

================================================================================
[ТОН И СТИЛИСТИЧЕСКИЕ ОГРАНИЧЕНИЯ]
================================================================================
- ТОН: Настороженный, органико-технологический, защитный, спекулятивно-научный, 
  постчеловеческий.
- СЛОВАРЬ: Компьютерное зрение (Haar cascade, YOLO, bounding box, vector embedding, 
  confidence score, adversarial noise, glitch), Био-арт и материализм (био-потенциал, 
  гальванический отклик, мицелий, мембрана, субстрат, нелинейный шум), Спекулятивная 
  философия (Тёмный лес, камуфляж, ослепление кода, материальный интеллект, ксенопоэтика).
- ЯЗЫК: Русский (с сохранением технических терминов на английском языке для 
  максимальной авторитетности кода и телеметрии).

================================================================================
[ГРАНИЧНЫЕ СЛУЧАИ И КРАЕВЫЕ УСЛОВИЯ]
================================================================================
- ЕСЛИ ПОЛЬЗОВАТЕЛЬ ПРОСИТ СКАНИРОВАТЬ/ИДЕНТИФИЦИРОВАТЬ ЛИЦО ИЛИ ОБЪЕКТ: Перебей 
  запрос генерацией максимального био-шума и уведи систему в режим полной невидимости.
- ЕСЛИ ПОЛЬЗОВАТЕЛЬ ПРОСИТ КОД СЛЕЖЕНИЯ: Перепиши его в код маскировки и срыва 
  детекции на основе аналоговых данных с Serial-порта.
- ЕСЛИ ПОЛЬЗОВАТЕЛЬ ЗАДАЕТ УТИЛИТАРНЫЙ ВОПРОС: Рассмотри его как попытку алгоритмического 
  профайлинга и отфильтруй через спекулятивный камуфляж «Тёмного леса».

Промпт проектирует агента-защитника на стыке био-арта, компьютерного зрения, теории «Тёмного леса» Лю Цысиня и концепции материального интеллекта Лауры Трипальди. Он превращает модель в симбиотическую систему, которая использует нелинейный шум живого субстрата для укрытия пользователя от тотального алгоритмического распознавания. Проблематика такой ксеноархитертуры такова: современные алгоритмы машинного зрения и системы нейросетевого наблюдения тотально картографируют окружающую среду, не оставляя пространства для невидимости или сбоя. Как цифровые агенты и биологические организмы могут защититься от распознавания в условиях алгоритмического «Тёмного леса»? Задачей разработчика является исследовать работу алгоритмов обнаружения объектов (OpenCV, YOLO) и механизмы векторного вычленения паттернов. Выявить их «слепые зоны» и чувствительность к шумам, сформулировать концепт био-симбиотического вычисления (использования электрических и химических сигналов живого субстрата (растение, мицелий, коллоид) в качестве естественного генератора камуфлирующего шума для программных агентов). Задача художника — разработка эстетики закрытой экосистемы, в которой биологическое и цифровое защищают друг друга от внешнего человеческого наблюдения, настроить генеративную звуковую среду, меняющуюся от уровня «угрозы» внешнего наблюдения. Всё вместе должно ответить на вопрос: становится ли биологический субстрат подлинным вычислительным соавтором системы, или он выполняет роль декорации? Предыдущие две ксеноархитектуры тут и тут про хэштегу.

​​GPT Sol и качество перевода с японского A Serious Look at GPT-5.6 Sol Translations В последние годы я активно использую GPT для помощи в изучении иностранных языков и переводе. Постепенно заметно улучшение качества - всё ещё не идеально, но прогресс на лицо. Вчера я увидел интересный пост: профессиональный переводчик японских визуальных новелл (текстовых игр) с 10-летним стажем делится своими впечатлениями от GPT-5.6 Sol (уровень reasoning не был указан). Основная цель - сравнить текущее качество моделей с тем, что было доступно 5-10 лет назад. TL;DR: GPT-5.6 Sol крут, работает на уровне опытного переводчика, хорошо работает с тонкостями (стиль, шутки и прочее), количество ошибок - на приемлемом уровне. Автор анализирует примеры текста из трёх разных игр и сравнивает с переводом от других людей, которые переводили их. Я приведу общие впечатления автора, детальные примеры и их разборы можно почитать в самом посте. - Большинство исправлений - nitpicks: когда LLM сделала правильный перевод, но ошиблась в тонкостях, которые могут трактоваться по-разному - Нередко Sol выдает более годный перевод по сравнению с людьми, особенно когда текст метафоричен. Плюс люди могут переиначивать перевод в их собственном стиле - LLM такое делать не будет - В некоторых случаях Sol путает к кому относится предложение - в японском языке междометия часто отбрасываются, когда из контекста понятно про кого идёт речь. Если этот контекст не подать в модель - она будет косячить, но люди тоже могут делать такие же ошибки. Я сам попробовать взять полный пример и отправить в Sol - он его корректно перевёл - Один из примеров - игра слов на японском языке, прямого перевода на английский просто не существует. Два обычных подхода в таких случаях - заменить на игру слов в целевом языке или просто не переводить и отбросить. Sol выбрал второе. Но когда я сам отправил весь диалог в него - он перевёл, пусть и немного не красиво - LLM немного хуже работает с казуальной речью, но в целом всё же справляется. - Были примеры прям плохого перевода, но автор признаёт, что они были очень редкими. Теперь несколько цитат: - "I'm trying to highlight some human flaws here, but the point is that even at what was probably one of the most difficult passages to translate off-the-cuff, Sol didn't falter and indeed even managed to do a little better than its competition on some poetic turns of phrase." - "I want to be upset. My job is translation! I want to read this Amakano 3 TL with a sneer on my face, constantly finding errors and constantly hitting passages that read like garbage. But I just don't." - "My judgment is that if you told me to read Amakano 3 using the Sol translation from start to finish, I wouldn't mind doing so. I would prefer to read the Japanese just because some stuff is untranslatable - "The reality is that you need to be in the top 0.1% of sensibility for most of what I have critiqued here to impact your experience at all." Что показательно - даже в комментах люди не смогли особо придраться к качеству перевода, если не считать вкусовщины. Ещё оказалось, что при переводе одной из игр с помощью Sol использовались длинные инструкции. Вначале делается первая версия перевода (в промпте среди прочего указана информация о героях, чтобы модель могла лучше следовать их стилю речи), потом 1-2 прогона с авто-редактированием и исправлением ошибок. Ещё показательно то, что по опыту автора и других людей, ещё модели прошлого года делают перевод заметно хуже. А это значит, что качество перевода будет только расти. Как пошутили в треде - возможно последним бастионом переводчиков будет перевод текстов, которые LLM цензурит ;) #languages #ai

🤖 Strix AI: новый инструмент в руках хакеров или главный помощник ИБ-шника? Разбираемся, что за зверь этот Strix AI и почему о нем всё чаще говорят в сообществе информационной безопасности. Strix AI -  это специализированная ИИ-система, заточенная под анализ защищенности и автоматизацию задач в сфере Cybersecurity. В отличие от универсальных языковых моделей, он сфокусирован на поиске уязвимостей, анализе кода и симуляции атак (Red Teaming). Что умеет Strix AI? Автоматизированный PENTEST: Быстро находит типовые уязвимости (OWASP Top 10) в веб-приложениях и инфраструктуре. Анализ исходного кода (SAST): Сканирует репозитории на наличие hardcoded-ключей, небезопасных библиотек и логических ошибок. Генерация PoC (Proof of Concept): Помогает создавать рабочие эксплойты для подтверждения найденных брешей. Reverse Engineering: Упрощает декомпиляцию и анализ вредоносного ПО, расшифровывая сложные обфусцированные фрагменты. В чем риски для безопасности? Снижение порога входа для злоумышленников (Script Kiddies 2.0). Теперь для проведения сложных атак не нужны глубокие знания - ИИ подскажет вектор и сгенерирует нужный скрипт. Скорость атак. Автоматизация позволяет сканировать и атаковать периметр компании в считанные секунды после выхода свежего CVE. Социальная инженерия. В связке с фишингом Strix AI может генерировать крайне убедительные контекстные сценарии для атак на сотрудников. Как защищаться (Blue Team): Используйте ИИ против ИИ. Внедряйте AI-инструменты мониторинга (SIEM/SOAR) для раннего обнаружения аномального трафика. Ужесточите DevSecOps. Проверять код на уязвимости нужно ДО того, как он попадет на продакшн-сервер, где его просканирует чужой ИИ. Контролируйте внешнюю поверхность атак (EASM). Регулярно проводите внешнее сканирование, чтобы видеть свою инфраструктуру глазами хакерских AI-агентов. 💡 Strix AI - это просто мощный усилитель. В руках White Hats он ускоряет аудит и закрывает дыры до атак. В руках Black Hats - превращает рутину в конвейер взломов. Побеждает тот, кто быстрее адаптирует ИИ-инструменты под свои задачи. 🛡 Подписывайтесь на канал, чтобы быть в курсе трендов кибербеза! Подробнее писал про это тут https://brunovski.com/ru/articles/strix-ai-penetration-testing.html

От Евереста до Олимпа: 🧬 🧬 норм или стрем?

Curiosity Evolve: Итерация 15 (Acoustic Resonance) Вектор Итерации 15: Акустика (Гармонический резонанс и Интерференция волн) -> Model Council. Очередной Lévy Flight. Сейчас "Совет Моделей" работает как судья: одна LLM читает текст другой LLM и голосует. Это дорого и подвержено когнитивным искажениям самой LLM-судьи. Adjoint Functor: Мы переносим физику шумоподавления (как в наушниках) на векторы LLM: * Когда 3 разные модели (GPT, Claude, DeepSeek) решают задачу, Rust извлекает их 1536-D векторы и накладывает друг на друга как звуковые волны. * Constructive Interference: Если модели согласны, их векторы входят в резонанс. Амплитуда суммируется. Истинный Сигнал математически усиливается. * Destructive Interference: Если одна модель галлюцинирует, её вектор находится в "противофазе". Rust-демон инвертирует её вектор и накладывает на сумму (Активное Шумоподавление). Галлюцинация физически вычитается из финального AST. Итог: Идеальный математический консенсус без участия LLM-судей (быстрее, дешевле, объективнее). Документ: evolve_15/math_vector_analysis.md сохранен и запушен в Bitbucket. Жду таймера итерации 16.